본문으로 건너뛰기
피드

아부다비 스타트업, 미션 현장용 AI 의사결정 플랫폼 공개

ai-ml 약 5분

아부다비 기반 TACTICA AI가 미션 크리티컬 환경에서 센서·지도·영상·공개정보를 묶어 실시간 의사결정을 돕는 플랫폼을 공개했다. 단순 대시보드가 아니라 목표를 먼저 정의하고, 필요한 데이터·도구·모델·워크플로를 에이전틱 AI로 엮는 운영형 AI를 내세운다.

  • 1

    위성 영상, 레이더, 지도, 위치 데이터, 공개정보, 센서, IoT, 과거 기록 데이터를 한 의사결정 계층으로 통합

  • 2

    TII가 35일 미만에 기반 기술을 개발했고 이미 실제 미션 크리티컬 환경 배치 경험이 있다고 밝힘

  • 3

    국방, 재난 대응, 핵심 인프라, 스마트 시티, 에너지, 물류 등 고신뢰 운영 영역을 겨냥

  • 4

    컨테이너 기반 환경과 고성능 컴퓨팅 인프라 배포를 지원

  • TACTICA AI가 공개한 건 그냥 'AI 대시보드'가 아니라, 미션 현장에서 다음 행동을 정하는 의사결정 지원 플랫폼임

    • 아부다비 기반 스타트업이고, 공개 무대는 Make it in the Emirates 2026
    • 회사는 이걸 중동 지역에서 개발된 동종 플랫폼 중 최초 공개 사례라고 설명함
  • 핵심은 흩어진 데이터를 한 화면에 모으는 게 아니라, 임무 목표를 먼저 잡고 필요한 리소스를 AI가 엮는 방식임

    • 위성 영상, 레이더, 지도, 위치 데이터 같은 지리공간 정보(GEOINT)를 사용함
    • 공개정보 기반 인텔리전스(OSINT), 영상 피드, 센서, IoT 시스템, 과거 기록 데이터까지 붙임
    • 그다음 에이전틱 AI 오케스트레이션(agentic AI orchestration)으로 데이터·도구·모델·워크플로를 동적으로 고르는 구조임

중요

> 이 플랫폼이 내세우는 차이는 '무슨 데이터가 있나'가 아니라 '그래서 지금 뭘 해야 하나'를 지원한다는 점임.

  • 개발 속도도 꽤 공격적으로 포장돼 있음

    • 기반 기술은 아부다비 고등기술연구위원회(ATRC) 산하 기술혁신연구소(TII)가 35일이 채 안 되는 기간에 개발했다고 밝힘
    • 이미 미션 크리티컬 환경에서 실제 운영 배치를 지원한 경험도 있다고 함
  • 적용 대상은 전형적인 고신뢰 운영 영역임

    • 국방·국가안보, 위기·재난 대응, 핵심 인프라, 스마트 시티, 모빌리티, 에너지·유틸리티, 환경·지속가능성, 산업·물류 운영을 겨냥함
    • 이런 영역은 데이터가 많아도 의사결정 시간이 짧고, 책임 소재가 빡세서 단순 자동화만으로는 부족함
  • 아키텍처 포인트는 벤더 종속을 줄이려는 쪽에 맞춰져 있음

    • TII가 만든 독자 AI 모델과 업계 타사 모델·기술을 함께 통합할 수 있다고 설명함
    • 특정 센서나 공급업체에 묶이지 않고 여러 제공업체 기술을 붙일 수 있는 구조를 강조함
    • 프랑스 사프란(Safran), 폴란드 사팀(Satim) 같은 지리공간 영상 분석 기업과도 파트너십을 맺었다고 밝힘
  • 운영 인터페이스는 자연어, 추론, 실행, 표준 운영 절차 디지털화 쪽으로 잡혀 있음

    • 분석가와 운영 인력이 자연어로 상호작용하고, 구조화된 절차를 따라 실시간 대응할 수 있게 하는 그림임
    • 다만 책임 있는 의사결정을 위해 인간 개입 기반 검증(human-in-the-loop validation)을 제공한다고 강조함
  • 배포 환경은 컨테이너와 고성능 컴퓨팅(HPC) 인프라를 전제로 함

    • 이동형 GEOINT 의사결정 지원 역량을 제공한다고 설명함
    • 속도, 회복탄력성, 유연성이 중요한 환경에서 쓰겠다는 얘기라 온프레미스·엣지·특수망 배포까지 염두에 둔 분위기임

기술 맥락

  • 여기서 중요한 선택은 'AI 모델 하나를 잘 만든다'가 아니라, 여러 데이터 소스와 모델을 운영 워크플로에 묶는 쪽이에요. 미션 크리티컬 환경에서는 답변 품질만큼이나 어떤 데이터로 판단했는지, 사람이 어디서 검증했는지가 중요하거든요.

  • GEOINT와 OSINT를 같이 쓰는 이유는 현장 데이터만 보면 맥락이 부족하고, 공개정보만 보면 실시간성이 약하기 때문이에요. 위성·레이더·지도 데이터로 현재 상황을 잡고, 공개정보로 주변 맥락을 보강하는 식이에요.

  • 컨테이너 기반 배포와 HPC 인프라를 언급한 것도 그냥 인프라 자랑은 아니에요. 국방, 재난, 에너지 같은 영역은 네트워크가 제한적이거나 현장 가까이에서 처리해야 하는 경우가 많아서, 클라우드 챗봇처럼 운영하기 어렵거든요.

  • human-in-the-loop를 넣는 이유는 AI가 틀렸을 때 비용이 너무 크기 때문이에요. 특히 재난 대응이나 국가안보 쪽에서는 자동 실행보다 검증 가능한 추천과 절차화된 실행이 더 현실적인 출발점이에요.

홍보성은 강하지만 방향은 꽤 선명하다. 기업용 AI가 챗봇에서 운영 의사결정 계층으로 내려오면, 결국 데이터 통합·감사 가능한 인간 검증·벤더 독립성이 핵심 경쟁력이 된다.

댓글

댓글

댓글을 불러오는 중...

ai-ml

제미나이 도구 호출 능력을 2,600만 파라미터 모델로 증류한 니들 공개

Cactus Compute가 Gemini 3.1의 도구 호출 능력을 2,600만 파라미터짜리 초소형 모델 Needle로 증류해 공개했다. 맥이나 PC에서 로컬 파인튜닝까지 가능하고, 프로덕션 환경에서는 프리필 6,000 토큰/초, 디코드 1,200 토큰/초를 낸다고 주장한다. 개인용 AI 기기에서 함수 호출만 빠르게 처리하는 작은 모델 실험으로 보면 꽤 흥미로운 공개다.

ai-ml

딥시크 V4 인덱서, 6기가바이트 메모리로 백만 토큰까지 밀어붙인 논문

딥시크 V3.2와 V4의 압축 희소 어텐션에서 병목이 되는 인덱서 단계를 스트리밍 방식으로 바꿔, 기존 구현이 6만5536 토큰에서 메모리 부족으로 죽던 문제를 104만8576 토큰까지 확장했다. 핵심은 전체 점수 텐서를 만들지 않고 청크 단위로 top-k를 나눠 계산한 뒤 병합하는 방식이며, 단일 엔비디아 H200에서 피크 메모리 6.21기가바이트를 기록했다. 다만 논문은 인덱서 단계만 다루며, 실제 체크포인트 기반 종단간 성능이나 더 빠른 어텐션 커널을 주장하진 않는다.

ai-ml

챗지피티가 학습에 좋다던 유명 논문, 결국 철회됨

챗지피티가 학생 학습 성과에 큰 도움이 된다고 주장했던 논문이 출판 약 1년 만에 철회됐어. 스프링거 네이처는 분석의 불일치와 결론 신뢰 부족을 이유로 들었고, 문제의 논문은 이미 500회 넘게 인용된 뒤였어.

ai-ml

샘 올트먼, 법정에서 “머스크가 오픈AI 지배권을 자녀에게 넘기려 했다”고 증언

샘 올트먼이 캘리포니아 오클랜드 연방법원 배심원 앞에서 일론 머스크가 오픈AI의 장기 지배권을 원했고, 사망 후엔 자녀에게 넘기는 방안까지 언급했다고 증언했다. 머스크는 오픈AI가 비영리로 출발했는데도 영리화됐다고 소송을 제기했지만, 올트먼은 오히려 머스크가 영리 전환과 테슬라 편입을 밀었다는 취지로 반박했다.

ai-ml

혜전대, AI로 스마트팜 생산·가공·유통 교육 모델 만든다

혜전대가 2026년 교육부·한국연구재단의 AID 전환 중점 전문대학 지원사업에 충남 지역 연합형 사업단으로 선정됐다. 연암대와 역할을 나눠 스마트팜 생산부터 가공·유통까지 전주기를 디지털화하는 교육 모델을 만들겠다는 내용이다.